Multi-Modal Evaluation Approach for Medical Image Segmentation

要約

医用画像の手動セグメンテーション（例えば、CTスキャンにおける腫瘍のセグメンテーション）は、機械学習技術によって高速化できる労力のかかる作業である。しかし、適切なセグメンテーション手法の選択は評価関数に依存し、特にボクセル間の依存性を扱わなければならない医用画像セグメンテーションにおいては、そのようなことはない。例えば、予測が正しいか正しくないかのどちらかである古典的なシステムとは対照的に、医用画像セグメンテーションにおける予測は部分的に正しく、同時に正しくないことがある。本論文では、この表現力を利用して、これらのシステムの有用な特性を抽出し、異なるセグメンテーション手法の有効性を測定するための新しいマルチモーダル評価（MME）アプローチを正式に定義する。このアプローチは、検出特性、境界の整列、均一性、総量、相対量など、関連性が高く解釈可能な新しい特性を導入することで、セグメンテーション評価を改善するものである。提案手法は、オープンソースで公開されており、利用することができる。我々は、膵臓、肝臓腫瘍、多臓器データセットのセグメンテーションを含むいくつかの再現性のある実験を行い、提案手法の適用性を示した。

要約(オリジナル)

Manual segmentation of medical images (e.g., segmenting tumors in CT scans) is a high-effort task that can be accelerated with machine learning techniques. However, selecting the right segmentation approach depends on the evaluation function, particularly in medical image segmentation where we must deal with dependency between voxels. For instance, in contrast to classical systems where the predictions are either correct or incorrect, predictions in medical image segmentation may be partially correct and incorrect simultaneously. In this paper, we explore this expressiveness to extract the useful properties of these systems and formally define a novel multi-modal evaluation (MME) approach to measure the effectiveness of different segmentation methods. This approach improves the segmentation evaluation by introducing new relevant and interpretable characteristics, including detection property, boundary alignment, uniformity, total volume, and relative volume. Our proposed approach is open-source and publicly available for use. We have conducted several reproducible experiments, including the segmentation of pancreas, liver tumors, and multi-organs datasets, to show the applicability of the proposed approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL